基于改进CGAN的电力系统暂态稳定评估样本增强方法

摘要：

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点, 由于实际电力系统中暂态失稳情况极少, 给通过数据挖掘方法判断失稳情况带来了极大困难.针对这个问题, 提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法, 对条件生成对抗神经网络 (CGAN) 训练方法的适应性进行改进以提高其学习稳定性, 在离线训练时利用改进CGAN交替训练生成器和判别器, 学习电力系统暂态数据的分布特性, 然后采用极限学习机 (ELM) 分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本, 将其中失稳样本对原始失稳样本进行增强, 最后用增强后的原始样本训练分类器, 实现在线暂态稳定评估.仿真结果表明, 所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习, 进而提升暂态稳定评估的正确率, 具有抗噪声干扰性强、对高维数据鲁棒性好的优点, 能够有效平衡电力系统失稳数据.

关键词：电力系统、暂态稳定评估、数据增强、条件生成对抗神经网络、G-mean值

所属期刊栏目：43

资助基金：国家重点研发计划资助项目2017YFB0902900 This work is supported by National Key R&D Program of China . 2017YFB0902900

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：149-157